KR20140070060A - Ｍｒｉ 다변수 영상의 획득 장치 및 방법 - Google Patents

Ｍｒｉ 다변수 영상의 획득 장치 및 방법 Download PDF

Info

Publication number
KR20140070060A
KR20140070060A KR1020120138089A KR20120138089A KR20140070060A KR 20140070060 A KR20140070060 A KR 20140070060A KR 1020120138089 A KR1020120138089 A KR 1020120138089A KR 20120138089 A KR20120138089 A KR 20120138089A KR 20140070060 A KR20140070060 A KR 20140070060A
Authority
KR
South Korea
Prior art keywords
multivariate
image
disease
multivariate image
importance
Prior art date
Application number
KR1020120138089A
Other languages
English (en)
Other versions
KR102094501B1 (ko
Inventor
이종하
최원희
성영경
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020120138089A priority Critical patent/KR102094501B1/ko
Priority to US14/094,019 priority patent/US9361685B2/en
Publication of KR20140070060A publication Critical patent/KR20140070060A/ko
Application granted granted Critical
Publication of KR102094501B1 publication Critical patent/KR102094501B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

MRI(Magnetic Resonance Image)의 다변수 영상을 효율적으로 획득하는 장치에 관한 것이다. 일 실시예에 따르면, MRI 다변수 영상 획득 장치는 질환에 대하여 복수의 MRI 다변수 영상을 분석하여 각 다변수 영상의 중요도를 결정하고 그 중요도를 기초로 각 다변수 영상의 획득 순서 및 그 질환의 진단에 필요한 다변수 영상을 결정하는 영상분석부 및 다변수 영상의 획득 순서 및 진단에 필요한 다변수 영상을 이용하여 질환의 다변수 영상 획득 모델을 구축하는 모델구축부를 포함할 수 있다.

Description

ＭＲＩ 다변수 영상의 획득 장치 및 방법{MULTI-PARAMETRIC IMAGE ACQUISITION APPARATUS AND METHOD IN MAGNETIC RESONANCE IMAGE}
질환별로 MRI(Magnetic Resonance Image)의 다변수 영상을 효율적으로 획득하는 장치 및 방법과 관련된다.
MRI(Magnetic Resonance Image)은 자기공명현상을 이용하여 몸의 단면을 영상화한 것이다. 즉, 정자장 속에 놓인 프로톤들의 전자파 흡수에 따른 여기와 이완을 일컬어 프로톤의 자기공명현상이라 하며, 프로톤이 이완될 때 방출하는 전자파를 MR 신호라 하고 이렇게 획득된 MR신호를 영상으로 표현한 것을 MRI라 한다. MRI의 촬영 기법은 촬영 변수의 설정에 따라 매우 다양하고 복잡하며, 그 촬영 변수의 설정을 바꿈으로써 다양한 콘트라스트(contrast)의 영상을 획득할 수 있다. MRI에는 프로톤밀도, T1, T2, 자화율(magnetic susceptibility), 화학이동(chemical shift), 화학교환(chemical exchange), 물 분자의 확산(diffusion of water molecule), 탄력성(elasticity) 등의 다양한 콘트라스트가 있다. 이때, 각각의 콘트라스트 영상마다 특정의 촬영 변수를 사용해야 하기 때문에 변수를 조정하여 다양한 콘트라스트 영상을 획득하는 기법을 다변수 영상 획득 기법이라 한다.
이와 같이, MRI는 다양한 특성의 다변수 영상을 획득하여 여러 특성의 영상의 분석을 통해 질병을 진단할 수 있어 진단의 정확성을 향상시킬 수 있으나, 특정 질병을 분석하기 위한 최적의 콘트라스트의 영상들을 찾는 것은 아직까지는 휴리스틱(Heuristic)한 방법에 의존하는 실정이다.
질환별로 분석에 적합한 다변수 영상 및 그 다변수 영상의 획득 순서를 결정하여 모델을 구축하고, 이를 이용하여 분석 질환에 대한 MRI 다변수 영상의 획득 시간의 단축 및 진단의 정확성을 향상시킬 수 있는 장치 및 방법이 제시된다.
일 양상에 따르면, MRI 다변수 영상의 획득 장치는, 질환에 대하여 복수의 MRI 다변수 영상을 분석하여 각 다변수 영상의 중요도를 결정하고 그 중요도를 기초로 각 다변수 영상의 획득 순서 및 그 질환의 진단에 필요한 다변수 영상을 결정하는 영상분석부 및 다변수 영상의 획득 순서 및 진단에 필요한 다변수 영상을 이용하여 질환의 다변수 영상 획득 모델을 구축하는 모델구축부를 포함할 수 있다.
또한, MRI 다변수 영상의 획득 장치는 구축된 다변수 영상 획득 모델을 이용하여 그 질환의 진단에 필요한 다변수 영상을 획득하는 영상획득부를 더 포함할 수 있다.
영상분석부는 각 다변수 영상에서 관심 영역을 추출하는 관심영역추출부 및 추출된 각 관심 영역에서 특징값을 추출하는 특징값추출부를 포함할 수 있고, 추출된 특징값을 기초로 각 다변수 영상의 중요도를 결정할 수 있다.
또한, 영상분석부는 추출된 각 관심 영역을 정규화하는 영상최적화부를 더 포함할 수 있고, 특징값추출부는 정규화된 관심 영역에서 특징값을 추출할 수 있다.
또한, 영상최적화부는 정규화된 각 관심 영역에서 노이즈를 제거하고, 특징값추출부는, 노이즈가 제거된 각 관심 영역에서 특징값을 추출할 수 있다.
이때, 특징값은 모양, 밝기 및 경계 정보 중의 하나 이상을 포함할 수 있다.
영상분석부는 각 다변수 영상에 포함된 질환의 분석에 유의미한 특징값의 수를 기초로 각 다변수 영상의 중요도를 결정할 수 있다.
이때, 유의미한 특징값의 수는 각 다변수 영상의 특징값이 질환을 가진 복수의 환자들의 동일 다변수 영상에서 나타나는 빈도를 기초로 결정될 수 있다.
영상분석부는 유의미한 특징값의 수에 기초한 값이 질환에 대해 미리 설정된 임계치를 초과하는 다변수 영상을 질환의 진단에 필요한 다변수 영상으로 결정할 수 있다.
일 양상에 따르면, MRI 다변수 영상의 획득 방법은 질환에 대하여 복수의 MRI 다변수 영상을 분석하여 각 다변수 영상의 중요도를 결정하는 단계, 중요도를 기초로 각 다변수 영상의 획득 순서 및 그 질환의 진단에 필요한 다변수 영상을 결정하는 단계 및 다변수 영상의 획득 순서 및 진단에 필요한 다변수 영상을 이용하여 질환의 다변수 영상 획득 모델을 구축하는 단계를 포함할 수 있다.
또한, MRI 다변수 영상의 획득 방법은 구축된 다변수 영상 획득 모델을 이용하여 질환의 진단에 필요한 다변수 영상을 획득하는 단계를 더 포함할 수 있다.
중요도를 결정하는 단계는 각 다변수 영상에서 관심 영역을 추출하는 단계 및 추출된 각 관심 영역에서 특징값을 추출하는 단계를 포함할 수 있고, 추출된 특징값을 기초로 각 다변수 영상의 중요도를 결정할 수 있다.
중요도를 결정하는 단계는 추출된 관심 영역을 정규화하는 단계를 더 포함할 수 있고, 정규화된 관심 영역에서 특징값을 추출할 수 있다.
중요도를 결정하는 단계는 정규화된 관심 영역에서 노이즈를 제거하는 단계를 더 포함할 수 있고, 특징값 추출 단계는 노이즈가 제거된 각 관심 영역에서 특징값을 추출할 수 있다.
특징값은 모양, 밝기 및 경계 정보 중의 하나 이상을 포함할 수 있다.
중요도를 결정하는 단계는 각 다변수 영상에 포함된 질환의 분석에 유의미한 특징값의 수를 기초로 각 다변수 영상의 중요도를 결정할 수 있다.
이때, 유의미한 특징값의 수는 각 다변수 영상의 특징값이 질환을 가진 복수의 환자들의 동일 다변수 영상에서 나타나는 빈도를 기초로 결정될 수 있다.
중요도를 결정하는 단계는 유의미한 특징값의 수에 기초한 값이 질환에 대해 미리 설정된 임계치를 초과하는 다변수 영상을 질환의 진단에 필요한 다변수 영상으로 결정할 수 있다.
질환별로 분석에 적합한 다변수 영상 및 그 다변수 영상의 획득 순서를 결정하여 모델을 구축함으로써 분석 질환에 대한 MRI 다변수 영상의 획득 시간의 단축 및 진단의 정확성을 향상시킬 수 있다.
도 1은 일 실시예에 따른 MRI 다변수 영상 획득 장치의 블록도이다.
도 2는 도 1의 실시예에 따른 MRI 다변수 영상 획득 장치의 영상분석부의 상세 블록도이다.
도 3a 내지 도 3e는 일 실시예에 따른 MRI 다변수 영상의 획득 순서를 결정하는 예이다.
도 4는 일 실시예에 따른 MRI 다변수 영상 획득 방법의 흐름도이다.
도 5는 도 4의 실시예에 따른 MRI 다변수 영상 획득 방법 중 중요도 결정 단계의 상세 흐름도이다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하, 본 발명의 실시예들에 따른 자기공명영상에서 다변수 영상의 획득 장치 및 방법을 도면들을 참고하여 자세히 설명하도록 한다.
도 1은 일 실시예에 따른 MRI 다변수 영상의 획득 장치의 블록도이다.
도 1을 참조하면, MRI 다변수 영상을 획득하는 장치(100)는 영상분석부(110) 및 모델구축부(120)를 포함한다.
영상분석부(110)는 질환별로 획득된 MRI 다변수 영상을 분석하여 각 다변수 영상마다 중요도를 결정한다. 또한, 질환별로 각 다변수 영상의 중요도가 결정되면 그 중요도를 기초로 각 질환에 대한 다변수 영상의 획득 순서 및 병변 진단에 필요한 다변수 영상을 결정할 수 있다. 이때, 중요도는 분석하고자 하는 질환에 대해 각 다변수 영상이 얼마나 적합한지, 즉, 어떤 변수를 사용한 콘트라스트 영상이 해당 질병을 가장 잘 표현하는지를 나타낸 지표라 할 수 있다. 중요도는 다양한 방법에 의해 결정될 수 있으며, 도 2를 참조하여 자세히 후술하기로 한다.
모델구축부(120)는 영상분석부(110)에 의해 질환별로 필요한 다변수 영상 및 그 다변수 영상의 획득 순서가 결정되면 각 질환에 대한 다변수 영상의 획득 모델을 구축한다.
추가적인 양상에 따라, 다변수 영상의 획득 장치(100)는 모델DB(130) 및 영상획득부(140)를 더 포함할 수 있다.
모델구축부(120)는 이와 같이 구축된 다변수 영상의 획득 모델을 향후 특정 질환에 대한 병변 분석시 활용될 수 있도록 모델DB(130)에 저장할 수 있다.
영상획득부(140)는 특정 질환에 대한 병변을 진단하고자 할 때 모델DB(130)에 저장된 그 질환에 대한 다변수 영상 획득 모델을 이용하여 MRI 촬영장치로부터 필요한 다변수 영상을 획득할 수 있다.
개시된 실시예에 따른 다변수 영상 획득 장치(100)는 특정 질환에 필요한 다변수 영상을 신속하게 획득할 수 있으므로, 2D, 3D 의료 영상을 이용한 병변의 양성, 악성 여부를 진단하는 시스템, 분석된 병변 현상을 의사들에게 제시하여 의사들이 진단하는데 도움을 주는 의료 영상 처리 시스템, 원격 진료 시스템 등의 다양한 분야에서 활용이 가능하다.
도 2는 도 1의 실시예에 따른 다변수 영상 획득 장치(100)의 영상분석부(110)의 상세 블록도이다. 도 3a 내지 도 3e는 일 실시예에 따른 다변수 영상의 획득 순서를 결정하는 예이다. 도 2 내지 도 3e를 참조하여, 다변수 영상 획득 장치(100)의 영상분석부(110)의 구성을 좀 더 상세히 설명한다.
영상분석부(110)는 영상DB구축부(111), 영상DB(112), 관심영역추출부(113), 영상최적화부(114), 특징값추출부(115) 및 특징값분석부(116)를 포함할 수 있다.
영상DB구축부(111)는 MRI 촬영장치로부터 질환별로 다양한 콘트라스트(contrast)의 다변수 영상을 획득하고 영상DB(112)에 저장함으로써, 질환별로 다변수 영상DB를 구축할 수 있다. 도 3a는 특정 질환에 대해 MRI 촬영장치로부터 획득되어 영상DB(112)에 구축된 10개의 다변수 영상(ID 1 ~ ID 10)을 예시한 것이다.
관심영역추출부(113)는 영상DB(112)에 구축된 다변수 영상에서 분석하고자 하는 병변 영역 등의 관심 영역을 추출한다. 도 3b는 10개의 다변수 영상(ID 1 ~ ID 10)에서 추출된 10개의 관심 영역을 도시한 것이다. 관심영역추출부(113)는 다변수 영상에서 특정 질환에 대한 관심 영역을 관심 영역 추출 알고리즘을 이용하여 추출할 수 있다. 이때, 의료 영상에서 관심 영역 추출 알고리즘은 알려진 모든 알고리즘이 이용될 수 있으므로 자세한 설명은 생략한다.
영상최적화부(114)는 각 다변수 영상에서 추출된 관심 영역을 히스토그램 평활화(histogram equalization) 등을 이용하여 정규화할 수 있다. 즉, 각 다변수 영상은 다양한 분포의 특성을 가질 수 있으므로 이를 동일한 밝기 등의 분포 특성을 갖도록 정규화함으로써 분석의 정확도를 높일 수 있다. 예를 들어, 도 3c는 각 다변수 영상 중에서 어느 하나의 관심 영역 영상의 밝기 특성을 정규화한 그래프를 나타낸 것이다. 상단은 도 3b에 도시된 관심 영역 영상 중의 어느 하나의 관심 영역 영상을 정규화하기 전의 그래프이고, 그 관심 영역 영상은 픽셀수가 0에 근접하므로 밝기가 대체로 어둡다는 것을 알 수 있다. 각 관심 영역 영상을 상단의 그래프와 같이 나타내면 각각 다른 특성을 갖는 그래프로 표현된다. 이처럼 각각 다른 특성을 갖는 관심 영역 영상을 히스토그램 평활화 등을 이용하여 고른 밝기 특성을 갖도록 정규화하면 하단의 그래프와 같이 표현할 수 있다. 또한, 영상최적화부(114)는 정규화된 관심 영역에서 노이즈를 제거할 수 있다. 도 3d는 도 3b를 정규화한 결과를 나타낸 것이다.
특징값추출부(115)는 각 관심 영역에서 특징값을 추출한다. 이때, 특징값은 아래의 표 1과 같이 관심 영역의 모양, 밝기 및 경계에 대한 정보일 수 있다.
모양 밝기 경계
원형이다(a) 밝다(b) 경계가 분명하다(c)
네모이다(a') 어둡다(b') 경계가 불분명하다(c')
규칙적이다(a") 질감이 고르다(b") ...
... ... ...
특징값분석부(116)는 이와 같이 각 관심 영역에서 추출된 특징값을 기초로 각 다변수 영상의 중요도를 결정할 수 있다. 또한, 특징값분석부(116)는 각 다변수 영상의 중요도가 결정되면 그 중요도를 기초로 각 다변수 영상의 획득 순서 및 그 질환의 분석에 필요한 다변수 영상을 결정할 수 있다.
이때, 특징값분석부(116)는 각 다변수 영상에서 추출된 특징값을 분석하여 각 다변수 영상에서 어떤 특징값이 특정 질환의 분석에 가장 적합한 유의미한 특징값인지를 결정할 수 있다. 예를 들어, 아래의 표 2와 표 3을 기초로 각 다변수 영상에서 어떤 특징값이 해당 질환의 분석에 유의미한지를 결정할 수 있다.
환자1 환자2 환자3
영상1 a, b, c a, b', c a, b", c'
영상2 a', b, c a", b, c a', b", c'
영상3 a', b, c' a, b', c a", b", c'
특징 a a' a" b b' b" c c'
영상1 3 0 0 1 1 1 2 1
영상2 0 2 1 2 0 1 2 1
영상3 1 1 1 1 1 1 1 2
표 2는 동일한 질환에 대해 3명의 환자에서 획득된 3개의 다변수 영상에서 추출된 특징값들을 예시한 것이고, 표 3은 동일한 다변수 영상에서 추출된 각 특징값들이 3명의 환자에게서 추출된 빈도를 나타낸 것이다. 표 2와 3은 설명의 편의를 위해 3개의 다변수 영상과 3명의 환자에 대한 결과를 도시하였으나, 이는 예시에 불과하고 다변수 영상 및 환자의 수는 필요에 따라 증가될 수 있다.
이때, 각 다변수 영상에서 각 특징값의 빈도의 확률값이 미리 설정된 기준값 이상인 특징값을 유의미한 특징값으로 결정할 수 있다. 예를 들어, 미리 설정된 기준값이 빈도 50%라고 하면, 다변수 영상 1에서는 a(100%), c(약 67%)가 유의미한 특징값이 되고, 영상 2에서는 a'(약 67%), b(약 67%), c(약 67%)가 되며, 영상 3에서는 c'(약 67%)가 된다.
특징값분석부(116)는 이와 같이 결정된 각 다변수 영상의 유의미한 특징값의 수를 기초로 다변수 영상의 중요도를 결정할 수 있다. 즉, 그 질환의 분석에 의미가 있는 특징값이 많은 다변수 영상이 중요도가 더 크다고 할 수 있으며, 이 경우 위의 표 2 및 표 3에 예시된 영상들(1,2,3) 중에서는 영상 2, 1, 3 순으로 중요도가 높다고 할 수 있다. 이때, 만약, 어느 두 영상의 유의미한 특징값의 수가 같은 경우에는 유의미한 특징값들의 빈도를 합한 값이 클수록 더 중요도를 높게 설정할 수 있다.
도 3e는 이와 같이 결정된 각 다변수 영상의 중요도 정보를 기초로 다변수 영상의 획득 순서를 도시한 것이다. 특징값분석부(116)은 중요도(예: 유의미한 특징값의 수에 기초한 값)를 기초로 해당 질환의 진단에 필요한 다변수 영상을 결정할 수 있다. 일 예로, MRI 분야에서 미리 알려진 정보를 기초로 특정 질환별로 다변수 영상마다 가중치를 부여하고, 각 다변수 영상의 해당 가중치를 유의미한 특징값의 수에 곱하여 그 값을 기초로 다변수 영상의 획득 순서를 결정할 수 있다.
특징값분석부(116)는 각 다변수 영상의 중요도(예: 유의미한 특징값의 수에 기초한 값)가 해당 질환에 대해 미리 설정된 임계치를 초과하는 다변수 영상만을 그 질환의 병변 진단에 필요한 다변수 영상으로 결정할 수 있다. 예를 들어, 특정 질환의 분석 시간, 비용 등을 고려하여 필요한 다변수 영상의 수(예: 척추디스크 5개, 목디스크 3개 등)를 미리 설정할 수 있으며, 그 수에 맞게 중요도가 높은 다변수 영상을 결정할 수 있다.
도 4는 일 실시예에 따른 자기공명영상에서 다변수 영상 획득 방법의 흐름도이다. 도 5는 도 4의 실시예에 따른 다변수 영상 획득 방법 중 중요도 결정 단계(310)의 상세 흐름도이다.
도 4 및 도 5를 참조하여, 도 1의 실시예에 따른 다변수 영상 획득 장치(100)를 통해 자기공명영상에서 다변수 영상을 획득하는 방법을 설명한다.
먼저, 다변수 영상 획득 장치(100)는 질환별로 획득된 MRI 다변수 영상을 분석하여 각 다변수 영상마다 중요도를 결정한다(310). 중요도는 각 질환에 대해 변수를 다양하게 조정해 가면서 획득된 각 콘트라스트 영상들이 해당 질환을 얼마나 잘 표현하고 있는지를 나타낸 것이다.
도 5를 참조하여 상세히 설명하면, 먼저, MRI 촬영장치로부터 질환별로 변수를 조정하면서 다양한 콘트라스트의 다변수 영상을 획득하고, 그 다변수 영상을 영상DB(112)에 저장하여 다변수 영상의 DB를 구축할 수 있다(단계 311).
그 다음, 영상DB(112)에 구축된 다변수 영상에서 관심 영역을 추출한다(단계 312). 이때, 다변수 영상에서 특정 질환에 대한 관심 영역을 알려진 모든 관심 영역 추출 알고리즘을 이용하여 추출할 수 있다.
그 다음, 각 다변수 영상의 관심 영역을 정규화할 수 있다(단계 313). 이때, 각 관심 영역 영상은 히스토그램 평활화(histogram equalizatioon) 기법을 이용하여 정규화할 수 있으며, 각 관심 영역 영상을 동일한 밝기 분포를 갖는 영상으로 변환한 후 질환을 분석함으로써 보다 정확히 질환의 병변을 분석할 수 있다.
그 다음, 각 관심 영역에서 특징값을 추출한다(단계 314). 이때, 추출된 특징값은 표 1에 예시되어 있으며, 그 밖의 다양한 특징값들이 추출될 수 있다.
그 다음,각 다변수 영상에서 추출된 특징값을 분석하여 어떤 다변수 영상의 특징값이 분석할 특정 질환의 진단에 가장 적합한 유의미한 특징값인지를 결정할 수 있다(단계 315). 표 2와 표 3을 참조하여 전술한 바와 같이, 동일한 질환에 대해 여러 환자들에게서 공통적으로 많이 나타나는 특징값들이 각 다변수 영상에서 유의미한 특징값이 될 수 있다.
마지막으로, 이와 같이 결정된 각 다변수 영상의 유의미한 특징값의 수를 기초로 다변수 영상의 중요도를 결정할 수 있다(단계 315). 예를 들어, 각 다변수 영상에서 유의미한 특징값의 수가 많을수록 중요도가 높다고 할 수 있다. 또는 유의미한 특징값의 빈도가 클수록 중요도가 높다고 할 수 있다.
다시 도 6을 참조하면, 질환별로 각 다변수 영상의 중요도가 결정되면 그 중요도를 기초로 각 질환에 대한 다변수 영상의 획득 순서 및 진단에 필요한 다변수 영상을 결정할 수 있다(단계 320). 예를 들어, 특정 질환의 분석 시간, 비용 등을 고려하여 임의의 수가 설정되면 그 질환에 대한 다변수 영상의 획득 순서를 기준으로 그 수만큼의 필요한 영상을 결정할 수 있으며, 또는 특정 질환에 대해 미리 임의의 임계치가 설정되면, 유의미한 특징값의 수에 기초한 값이 그 임계치를 초과하는 다변수 영상을 그 질환의 분석에 필요한 영상으로 결정할 수 있다.
그 다음, 질환별로 필요한 다변수 영상 및 그 다변수 영상의 획득 순서가 결정되면 각 질환에 대한 다변수 영상의 획득 모델을 구축할 수 있다(단계 330). 이와 같이 구축된 다변수 영상의 획득 모델은 향후 특정 질환에 대한 병변 분석시 활용될 수 있도록 모델DB(130)에 저장될 수 있다.
마지막으로, 특정 질환에 대한 병변을 진단하고자 할 때 그 질환에 대해 구축된 다변수 영상 획득 모델을 이용하여 MRI 촬영장치로부터 필요한 다변수 영상을 획득할 수 있다(단계 340). 이와 같이, 각 질환별로 미리 구축된 다변수 영상의 획득 모델을 이용하여 최적의 획득 순서에 따라 필요한 다변수 영상을 획득함으로써 각 질환에 대해 필요한 최적의 다변수 영상을 신속하게 획득할 수 있다.
한편, 본 발명의 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 다변수 영상 획득 장치 110: 영상분석부
111: 영상DB구축부 112: 영상DB
113: 관심영역추출부 114: 영상최적화부
115: 특징값추출부 116: 특징값분석부
120: 모델구축부 130: 모델DB
140: 영상획득부

Claims (18)

  1. 질환에 대하여 복수의 MRI 다변수 영상을 분석하여 각 다변수 영상의 중요도를 결정하고 상기 중요도를 기초로 각 다변수 영상의 획득 순서 및 그 질환의 진단에 필요한 다변수 영상을 결정하는 영상분석부; 및
    상기 다변수 영상의 획득 순서 및 진단에 필요한 다변수 영상을 이용하여 상기 질환의 다변수 영상 획득 모델을 구축하는 모델구축부;를 포함하는 MRI 다변수 영상의 획득 장치.
  2. 제1항에 있어서,
    상기 구축된 다변수 영상 획득 모델을 이용하여 상기 질환의 진단에 필요한 다변수 영상을 획득하는 영상획득부;를 더 포함하는 MRI 다변수 영상의 획득 장치.
  3. 제1항에 있어서, 상기 영상분석부는,
    상기 각 다변수 영상에서 관심 영역을 추출하는 관심영역추출부; 및
    상기 추출된 각 관심 영역에서 특징값을 추출하는 특징값추출부;를 포함하고,
    상기 추출된 특징값을 기초로 각 다변수 영상의 중요도를 결정하는 MRI 다변수 영상의 획득 장치.
  4. 제3항에 있어서,
    상기 추출된 각 관심 영역을 정규화하는 영상최적화부;를 더 포함하고,
    상기 특징값추출부는,
    상기 정규화된 관심 영역에서 특징값을 추출하는 MRI 다변수 영상의 획득 장치.
  5. 제4항에 있어서, 상기 영상최적화부는,
    상기 정규화된 각 관심 영역에서 노이즈를 제거하고,
    상기 특징값추출부는,
    상기 노이즈가 제거된 각 관심 영역에서 특징값을 추출하는 MRI 다변수 영상의 획득 장치.
  6. 제3항에 있어서, 상기 특징값은,
    모양, 밝기 및 경계 정보 중의 하나 이상을 포함하는 MRI 다변수 영상의 획득 장치.
  7. 제3항에 있어서, 상기 영상분석부는,
    상기 각 다변수 영상에 포함된 상기 질환의 분석에 유의미한 특징값의 수를 기초로 각 다변수 영상의 중요도를 결정하는 MRI 다변수 영상의 획득 장치.
  8. 제7항에 있어서, 상기 유의미한 특징값의 수는,
    상기 각 다변수 영상의 특징값이 상기 질환을 가진 복수의 환자들의 동일 다변수 영상에서 나타나는 빈도를 기초로 결정되는 MRI 다변수 영상의 획득 장치.
  9. 제7항에 있어서, 상기 영상분석부는,
    상기 유의미한 특징값의 수에 기초한 값이 상기 질환에 대해 미리 설정된 임계치를 초과하는 다변수 영상을 상기 질환의 진단에 필요한 다변수 영상으로 결정하는 MRI 다변수 영상의 획득 장치.
  10. 질환에 대하여 복수의 MRI 다변수 영상을 분석하여 각 다변수 영상의 중요도를 결정하는 단계;
    상기 중요도를 기초로 각 다변수 영상의 획득 순서 및 그 질환의 진단에 필요한 다변수 영상을 결정하는 단계; 및
    상기 다변수 영상의 획득 순서 및 진단에 필요한 다변수 영상을 이용하여 상기 질환의 다변수 영상 획득 모델을 구축하는 단계;를 포함하는 MRI 다변수 영상의 획득 방법.
  11. 제10항에 있어서,
    상기 구축된 다변수 영상 획득 모델을 이용하여 상기 질환의 진단에 필요한 다변수 영상을 획득하는 단계;를 더 포함하는 MRI 다변수 영상의 획득 방법.
  12. 제10항에 있어서, 상기 중요도를 결정하는 단계는,
    상기 각 다변수 영상에서 관심 영역을 추출하는 단계; 및
    상기 추출된 각 관심 영역에서 특징값을 추출하는 단계;를 포함하고,
    상기 추출된 특징값을 기초로 각 다변수 영상의 중요도를 결정하는 MRI 다변수 영상의 획득 방법.
  13. 제12항에 있어서, 상기 중요도를 결정하는 단계는,
    상기 추출된 관심 영역을 정규화하는 단계;를 더 포함하고,
    상기 정규화된 관심 영역에서 특징값을 추출하는 MRI 다변수 영상의 획득 방법.
  14. 제13항에 있어서, 상기 중요도를 결정하는 단계는,
    상기 정규화된 관심 영역에서 노이즈를 제거하는 단계;를 더 포함하고,
    상기 특징값 추출 단계는,
    상기 노이즈가 제거된 각 관심 영역에서 특징값을 추출하는 MRI 다변수 영상의 획득 방법.
  15. 제12항에 있어서, 상기 특징값은,
    모양, 밝기 및 경계 정보 중의 하나 이상을 포함하는 MRI 다변수 영상의 획득 방법.
  16. 제12항에 있어서, 상기 중요도를 결정하는 단계는,
    상기 각 다변수 영상에 포함된 상기 질환의 분석에 유의미한 특징값의 수를 기초로 각 다변수 영상의 중요도를 결정하는 MRI 다변수 영상의 획득 방법.
  17. 제16항에 있어서, 상기 유의미한 특징값의 수는,
    상기 각 다변수 영상의 특징값이 상기 질환을 가진 복수의 환자들의 동일 다변수 영상에서 나타나는 빈도를 기초로 결정되는 MRI 다변수 영상의 획득 방법.
  18. 제16항에 있어서, 상기 중요도를 결정하는 단계는,
    상기 유의미한 특징값의 수에 기초한 값이 상기 질환에 대해 미리 설정된 임계치를 초과하는 다변수 영상을 상기 질환의 진단에 필요한 다변수 영상으로 결정하는 MRI 다변수 영상의 획득 방법.
KR1020120138089A 2012-11-30 2012-11-30 Ｍｒｉ 다변수 영상의 획득 장치 및 방법 KR102094501B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120138089A KR102094501B1 (ko) 2012-11-30 2012-11-30 Ｍｒｉ 다변수 영상의 획득 장치 및 방법
US14/094,019 US9361685B2 (en) 2012-11-30 2013-12-02 Apparatus and method for acquiring multi-parametric images in magnetic resonance imaging device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120138089A KR102094501B1 (ko) 2012-11-30 2012-11-30 Ｍｒｉ 다변수 영상의 획득 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20140070060A true KR20140070060A (ko) 2014-06-10
KR102094501B1 KR102094501B1 (ko) 2020-03-27

Family

ID=50825502

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120138089A KR102094501B1 (ko) 2012-11-30 2012-11-30 Ｍｒｉ 다변수 영상의 획득 장치 및 방법

Country Status (2)

Country Link
US (1) US9361685B2 (ko)
KR (1) KR102094501B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101941209B1 (ko) * 2017-09-18 2019-04-12 주식회사 래디센 인공지능 기반 독립형 자동 질환 진단 시스템 및 방법

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10251621B2 (en) 2010-07-19 2019-04-09 Qview Medical, Inc. Automated breast ultrasound equipment and methods using enhanced navigator aids
US9826958B2 (en) 2009-11-27 2017-11-28 QView, INC Automated detection of suspected abnormalities in ultrasound breast images
US10603007B2 (en) 2009-11-27 2020-03-31 Qview Medical, Inc. Automated breast ultrasound equipment and methods using enhanced navigator aids
US9439621B2 (en) 2009-11-27 2016-09-13 Qview, Medical Inc Reduced image reading time and improved patient flow in automated breast ultrasound using enchanced, whole breast navigator overview images
DE102014211572B4 (de) * 2014-06-17 2019-05-29 Siemens Healthcare Gmbh Verfahren zur Rekonstruktion eines dreidimensionalen Magnetresonanzbilddatensatzes bei einem das Magnetfeld verzerrenden Störobjekt, Magnetresonanzeinrichtung und Computerprogramm
EP3432784B1 (en) 2016-03-24 2020-09-23 The Regents of The University of California Deep-learning-based cancer classification using a hierarchical classification framework
US10531825B2 (en) * 2016-10-14 2020-01-14 Stoecker & Associates, LLC Thresholding methods for lesion segmentation in dermoscopy images

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050055599A (ko) 2003-12-08 2005-06-13 지멘스 악티엔게젤샤프트 자기공명 단층촬영기를 조작하는 방법 및 제어 장치
KR20090019837A (ko) * 2006-06-16 2009-02-25 코닌클리케 필립스 일렉트로닉스 엔.브이. 임상의가 구동하는 예-기반의 컴퓨터 보조 진단법
US20110199084A1 (en) * 2010-02-16 2011-08-18 Board Of Regents Of The University Of Texas System Method and system for diffusion tensor imaging
US8188743B2 (en) * 2008-09-09 2012-05-29 Kabushiki Kaisha Toshiba Magnetic resonance imaging apparatus and control method of magnetic resonance imaging apparatus
US8194937B2 (en) * 2007-12-20 2012-06-05 Wisconsin Alumni Research Foundation Method for dynamic prior image constrained image reconstruction
US8198891B2 (en) * 2009-06-15 2012-06-12 General Electric Company System, method, and apparatus for magnetic resonance RF-field measurement
US8208703B2 (en) * 2008-11-05 2012-06-26 Toshiba Medical Systems Corporation Medical image analysis apparatus and image analysis control program

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012507346A (ja) 2008-10-31 2012-03-29 オレゴン・ヘルス・アンド・サイエンス・ユニバーシティ 癌を識別するために磁気共鳴画像法を用いる方法及び装置
JP5700964B2 (ja) 2010-07-08 2015-04-15 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
WO2013078370A1 (en) * 2011-11-23 2013-05-30 The Regents Of The University Of Michigan Voxel-based approach for disease detection and evolution
US20130211230A1 (en) * 2012-02-08 2013-08-15 Convergent Life Sciences, Inc. System and method for using medical image fusion
US20150142460A1 (en) * 2012-05-24 2015-05-21 Allegheny-Singer Research Institute Method and system for ordering and arranging a data set for a severity and heterogeneity approach to preventing events including a disease stratification scheme

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050055599A (ko) 2003-12-08 2005-06-13 지멘스 악티엔게젤샤프트 자기공명 단층촬영기를 조작하는 방법 및 제어 장치
KR20090019837A (ko) * 2006-06-16 2009-02-25 코닌클리케 필립스 일렉트로닉스 엔.브이. 임상의가 구동하는 예-기반의 컴퓨터 보조 진단법
US8194937B2 (en) * 2007-12-20 2012-06-05 Wisconsin Alumni Research Foundation Method for dynamic prior image constrained image reconstruction
US8188743B2 (en) * 2008-09-09 2012-05-29 Kabushiki Kaisha Toshiba Magnetic resonance imaging apparatus and control method of magnetic resonance imaging apparatus
US8208703B2 (en) * 2008-11-05 2012-06-26 Toshiba Medical Systems Corporation Medical image analysis apparatus and image analysis control program
US8198891B2 (en) * 2009-06-15 2012-06-12 General Electric Company System, method, and apparatus for magnetic resonance RF-field measurement
US20110199084A1 (en) * 2010-02-16 2011-08-18 Board Of Regents Of The University Of Texas System Method and system for diffusion tensor imaging

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101941209B1 (ko) * 2017-09-18 2019-04-12 주식회사 래디센 인공지능 기반 독립형 자동 질환 진단 시스템 및 방법

Also Published As

Publication number Publication date
KR102094501B1 (ko) 2020-03-27
US20140153807A1 (en) 2014-06-05
US9361685B2 (en) 2016-06-07

Similar Documents

Publication Publication Date Title
KR20140070060A (ko) Ｍｒｉ 다변수 영상의 획득 장치 및 방법
JP5893623B2 (ja) データ・セットにおける異常検出方法およびシステム
US8270695B2 (en) Diagnostic image processing with automatic self image quality validation
US20170156630A1 (en) System and method for adaptive and patient-specific magnetic resonance imaging
CN103249358B (zh) 医用图像处理装置
US11055565B2 (en) Systems and methods for the identification of perivascular spaces in magnetic resonance imaging (MRI)
JP2016531709A (ja) 疾患を診断するための画像解析技術
US20150045651A1 (en) Method of analyzing multi-sequence mri data for analysing brain abnormalities in a subject
Gupta et al. Automatic segmentation of cerebrospinal fluid, white and gray matter in unenhanced computed tomography images
Gai et al. Medical image fusion via PCNN based on edge preservation and improved sparse representation in NSST domain
Prasad et al. Tractography density and network measures in Alzheimer's disease
CN106709907A (zh) Mr图像的处理方法及装置
US9811904B2 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
KR102351283B1 (ko) 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치
Gregory et al. HydraNet: a multi-branch convolutional neural network architecture for MRI denoising
CN115995295A (zh) 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统
Eskildsen et al. Detecting Alzheimer’s disease by morphological MRI using hippocampal grading and cortical thickness
US11324413B1 (en) Traumatic brain injury diffusion tensor and susceptibility weighted imaging
Kumar et al. Enhancement techniques for abnormality detection using thermal image
Anand Kumar et al. 3D deep learning for automatic brain MR tumor segmentation with T-spline intensity inhomogeneity correction
Benrabha et al. Automatic ROI detection and classification of the achilles tendon ultrasound images
Materka et al. On the effect of image brightness and contrast nonuniformity on statistical texture parameters
KR101593380B1 (ko) 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법
Georgiou et al. An adaptive semi-automated integrated system for multiple sclerosis lesion segmentation in longitudinal mri scans based on a convolutional neural network
Maurya et al. Morphology based brain tumor identification and segmentation in MR images

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant